R-CNN
训练阶段：
1：使用Selective Search算法，生成2000个候选区域；
将候选区域变换到网络需要的尺寸（227×227），也就是手工的添加个边框；
将预训练好的AlexNet最后的全连接层去掉，并将类别设置为21（20个类别，1个background），fine tuning；
最终得到一个4096×21的特征。
2：利用上面提取到的候选区域的特征，对每个类别训练一个SVM分类器，是候选框里物体的类别给positive，不是就negative。（使用IOU阈值法解决目标部分框选的问题）
3：对于SVM识别为Positive的候选区域，判断bounding box位置是否完美，训练一个线性回归模型校正位置（dx，dy，dw，dh）。
测试阶段：
从一张图片中提取2000个候选区域，将每个区域按照训练时候的方式进行处理；
输入到SVM中进行正负样本的识别，并使用边框回归器，计算出每个候选区域的分数；
候选区域较多， 针对每个类使用NMS删掉重叠的区域。
Fast R-CNN
R-CNN存在的问题：
1：测试训练速度慢（主要是提取候选区域的特征慢），由于候选区域有大量的重叠，将2000个候选区域分别输入到预训练好的CNN中提取特征，就会重复的计算重叠区域的特征。
2：训练需要额外的空间保存提取到的特征，用于训练SVM分类器和边框回归器。
训练阶段：（Fast R-CNN是使用Multi-task Loss端到端训练的）
将整个图像和一组候选框（Selective Search得到）作为输入，通过Deep ConNet对图像进行特征提取，得到输入图像的特征图；
对候选区域进行RoI projection：即通过坐标投影的方法，在特征图上得到输入图像中的感兴趣区域对应的特征区域；
对特征区域进行RoI pooling，统一特征大小；
经过两个output都为4096维的全连接层，得到RoI feature Vector；
再分别与output各为21和84维的全连接层相连（并列的，前者是分类输出，后者是回归输出，每个类别对应一个regressor）；
最后接上两个损失层（定义了多任务损失函数，分类是SoftMaxLoss，回归是SmoothL1Loss）。
测试阶段：
与训练基本相同，forward训练好的网络，得到当前兴趣区域的类别分数及边框坐标，然后对每个类别采用NMS。
细节与技巧：
SGD训练：为了提高训练速度，采取了小批量梯度下降的方式，每次使用2张图片的128张建议框更新参数。
RoI pooling的反向传播：参考链接https://blog.csdn.net/WoPawn/article/details/52463853
SVD加速：链接同上
Faster R-CNN
Fast R-CNN存在的问题：
使用Selective Search，找出所有的候选框，非常耗时。
提出RPN网络：
加入Region Proposal Network，也就说提取候选框的工作也交给CNN来做了，其本质是一种基于滑窗的无类别目标检测网络。
RPN训练：
输入公共特征图，在每个sliding window，预测k个anchor boxes；
（reg层有4k输出，编码k个框的坐标，cls层输出2k分数，估计每个建议区域是目标或非目标的概率）
定义代价函数，通过BP和SGD进行端到端的训练。
训练阶段：
1：单独训练RPN网络，使用ImageNet预先训练的模型进行初始化，并对区域建议任务进行端到端的微调；
2：单独训练Fast-RCNN网络，使用RPN生成的候选框通过Fast R-CNN训练一个独立的检测网络，
具体而言：RPN输出一个候选框，通过候选框截取原图像，并将截取后的图像通过几次conv-pool，然后再通过roi-pooling和fc再输出两条支路，一条是目标分类softmax，另一条是bbox回归，
截止到现在，两个网络不共享卷积层，只是分开训练了；
3：使用检测器网络来初始化RPN训练，但是固定了共享卷积层，只对RPN特有的层进行微调，现在这两个网络共享卷积层；
4：保持共享卷积层不变，对Fast R-CNN的唯一层进行微调。
细节与技巧：
在训练阶段，忽略所有的跨界锚，所以它们不会造成损失。在测试阶段，仍然对整个图像应用全卷积的RPN，这可能会生成跨边界的建议框，然后将其剪裁到图像边界。
为了减少冗余，根据建议区域的cls得分对其采用NMS，将NMS的IoU阈值定为0.7，这样每幅图像大约减少到2000个建议区域。
